自动驾驶软硬件开发，合作交流请留言。

室内外融合定位系统；
室内外导航定位无缝切换；
无人驾驶、自动驾驶一站式传感器；
统一坐标系，厘米级精度：
内置自动驾驶控制，避障，绕障算法；

机器人 SLAM / 贝叶斯滤波里经典的概率图模型（有向图），描述机器人状态演化和传感器观测的条件依赖关系University...

符号定义

• Xt：机器人 t 时刻位姿（状态），包含位置、朝向
• Ut：控制输入，轮子里程计、速度指令、驱动命令（已知输入）
• Zt：传感器观测值，激光 / 相机看到路标点的测量
• m：地图（landmark 路标点集合），环境结构（待估计量）

两个核心模型

1. Motion model 运动模型（图左侧标注） 条件概率：
     含义：已知上一时刻位姿和控制量，预测当前时刻机器人位姿\xt； 对应滤波里预测（prediction）步骤，运动本身带噪声。
2. Observation model 观测模型（图右下角标注） 条件概率：
   含义：机器人在xt位姿下，观测地图m里的特征，得到传感器读数zt； 对应滤波里更新 / 校正（update/correction）步骤，传感器观测也带噪声。

图中箭头（依赖关系）

• ：由控制和旧状态推出新状态
• ：观测同时依赖机器人当前位姿 + 环境地图
• 白色圆圈：待估计变量（机器人轨迹x1t、地图m）
• 灰色填充圆圈：已知量 / 固定量（图里示例）

一句话理解 SLAM 这个图

机器人一边根据控制指令推算自己怎么移动（运动模型），一边拿传感器读数对照地图做观测（观测模型）；同时估计机器人轨迹和环境地图。